Рынок заведений общественного питания Москвы

В роли аналитика нужно подготовить исследование рынка общественного питания города Москвы для заказчиков, которые хотят инвестировать средства в открытие нового заведения.
В полученных для анализа данных нужно найти интересные особенности и презентовать полученные результаты, что должно помочь заказчикам с выбором места.
Исходными данными служит датасет с заведениями общественного питания Москвы, составленный на основе данных сервисов Яндекс Карты и Яндекс Бизнес на лето 2022 года.

---

План работы:

1. Загрузка данных и их изучение.
2. Предобработка данных.
3. Анализ данных.

• Анализ категорий заведений
• Анализ количества посадочных мест
• Анализ по признаку отношения к сети
• Анализ заведений по расположению
• Анализ рейтинга заведений
• Анализ географии заведений
• Анализ среднего чека

4. Детализация исследования.
5. Общий вывод.

---

Загрузка данных и изучение общей информации

(к заголовку)

Импортирование библиотек

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
import datetime as dt
import plotly.express as px
import math as mth
from plotly import graph_objects as go
import json
import folium
from folium import Marker, Map, Choropleth
from folium.plugins import MarkerCluster
from folium.features import CustomIcon

# Настройка вывода: 
# вывод полного содержимого ячейки
pd.set_option('display.max_colwidth', None)

Загрузка датасета

try:
    data = pd.read_csv('datasets/moscow_places.csv')
except:
    data = pd.read_csv('/datasets/moscow_places.csv')
display(data.head(10))
data.info()

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN
1	Четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00–02:00	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN
4	Иль Марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0
5	Sergio Pizza	пиццерия	Москва, Ижорская улица, вл8Б	Северный административный округ	ежедневно, 10:00–23:00	55.888010	37.509573	4.6	средние	NaN	NaN	NaN	0	NaN
6	Огни города	бар,паб	Москва, Клязьминская улица, 9, стр. 3	Северный административный округ	пн 15:00–04:00; вт-вс 15:00–05:00	55.890752	37.524653	4.4	средние	Средний счёт:199 ₽	199.0	NaN	0	45.0
7	Mr. Уголёк	быстрое питание	Москва, Клязьминская улица, 9, стр. 3	Северный административный округ	пн-чт 10:00–22:00; пт,сб 10:00–23:00; вс 10:00–22:00	55.890636	37.524303	4.7	средние	Средний счёт:200–300 ₽	250.0	NaN	0	45.0
8	Donna Maria	ресторан	Москва, Дмитровское шоссе, 107, корп. 4	Северный административный округ	ежедневно, 10:00–22:00	55.880045	37.539006	4.8	средние	Средний счёт:от 500 ₽	500.0	NaN	0	79.0
9	Готика	кафе	Москва, Ангарская улица, 39	Северный административный округ	ежедневно, 12:00–00:00	55.879038	37.524487	4.3	средние	Средний счёт:1000–1200 ₽	1100.0	NaN	0	65.0

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   int64  
 13  seats              4795 non-null   float64
dtypes: float64(6), int64(1), object(7)
memory usage: 919.5+ KB

Описание столбцов:
name - название заведения;
address - адрес заведения;
category - категория заведения;
hours - информация о днях и часах работы;
lat - широта географической точки, в которой находится заведение;
lng - долгота географической точки, в которой находится заведение;
rating - рейтинг заведения по оценкам пользователей в Яндекс Картах (высшая оценка - 5.0);
price - категория цен в заведении, например "средние", "ниже среднего", "выше среднего" и т.д.;
avg_bill - строка, которая хранит среднюю стоимость заказа в виде диапазона;
middle_avg_bill - число с оценкой среднего чека, которое указано только для значений из столбца avg_bill, начинающихся с подстроки "Средний счет":

• если в строке указан ценовой диапазон из двух значений, в столбец войдет медиана этих двух значений;
• если в строке указано одно число - цена без диапазона, то в столбец войдет это число;
• если значения нет или оно не начинается с подстроки "Средний счет", то в столбец ничего не войдет.

middle_coffee_cup - число с оценкой одной чашки капучино, которое указано только для значений из столбца avg_bill, начинающихся с подстроки "Цена одной чашки капучино":

• если в строке указан ценовой диапазон из двух значений, в столбец войдет медиана этих двух значений;
• если в строке указано одно число - цена без диапазона, то в столбец войдет это число;
• если значения нет или оно не начинается с подстроки "Цена одной чашки капучино", то в столбец ничего не войдет.

chain -

• 0 - заведение не является сетевым,
• 1 - заведение является сетевым;

district - административный район, в котором находится заведение;
seats - количество посадочных мест.

Наблюдения:
В таблице представлены 8406 заведений общепита, с подробной информацией о расположении, категориях, часах работы и прайс-листе.
По некоторым позициям информация отсутствует, например часы работы указаны только для 7870 заведений, а ценовая категория и средние цены указаны для менее чем половины от всего количества.
Большая часть информации - строковая, т.е. для удобства анализа потребуется в дальнейшем категоризировать заведения по ключевым словам. Также это осложнит поиск неявных дубликатов.

---

Предобработка данных

(к заголовку)

Проверка на наличие дубликатов

# явные дубликаты
print('Количество явных дубликатов в датасете: ', data.duplicated().sum())

Количество явных дубликатов в датасете:  0

Поищем неявные дубликаты.
Проверку по названиям делать долго и ненадежно, разных адресов в таблице тоже много, поэтому будем искать одинаковые координаты, т.к., если одно и тоже заведение указано под разными именами, то координаты у него будут теми же.

# найдем одинаковые пары координат, выведем количество строк с одинаковыми координатами и первые пять строк из них:

dt_dup = data[data[['lat','lng']].duplicated()].reset_index()
print('Количество мест с одинаковыми координатами: ',dt_dup.shape[0])
display(dt_dup.head())

Количество мест с одинаковыми координатами:  34

	index	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
0	182	Карелия	кафе	Москва, Карельский бульвар, 4А	Северный административный округ	ежедневно, 09:00–00:00	55.891936	37.536068	3.7	NaN	NaN	NaN	NaN	0	NaN
1	273	Pho Oanh	кафе	Москва, Староватутинский проезд, 14	Северо-Восточный административный округ	ежедневно, 11:00–21:30	55.875804	37.665551	4.0	NaN	NaN	NaN	NaN	1	100.0
2	662	Family Cafe Mayak	ресторан	Москва, Головинское шоссе, 10Б	Северный административный округ	ежедневно, 10:00–22:00	55.837181	37.497324	4.7	NaN	NaN	NaN	NaN	0	NaN
3	1074	Халяль Кафе-Пекарня	булочная	Москва, Анадырский проезд, 8, корп. 1	Северо-Восточный административный округ	ежедневно, 08:00–21:00	55.863555	37.682835	3.7	NaN	Средний счёт:300–700 ₽	500.0	NaN	0	100.0
4	1452	Сикварули	ресторан	Москва, улица Куусинена, 11, корп. 2	Северный административный округ	ежедневно, 10:00–22:00	55.782729	37.513952	4.4	NaN	NaN	NaN	NaN	1	10.0

# дубликатов не так много, проверим их все:

for i in dt_dup.index:
    lat=dt_dup.iloc[i]['lat']
    lng=dt_dup.iloc[i]['lng']
    display(data.query('lat==@lat and lng==@lng'))
    print('='*80)

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
121	Встреча	кафе	Москва, Карельский бульвар, 4А	Северный административный округ	ежедневно, круглосуточно	55.891936	37.536068	4.1	NaN	NaN	NaN	NaN	1	NaN
182	Карелия	кафе	Москва, Карельский бульвар, 4А	Северный административный округ	ежедневно, 09:00–00:00	55.891936	37.536068	3.7	NaN	NaN	NaN	NaN	0	NaN

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
271	Алали	быстрое питание	Москва, Староватутинский проезд, 14	Северо-Восточный административный округ	ежедневно, 10:00–22:00	55.875804	37.665551	4.2	NaN	NaN	NaN	NaN	0	100.0
273	Pho Oanh	кафе	Москва, Староватутинский проезд, 14	Северо-Восточный административный округ	ежедневно, 11:00–21:30	55.875804	37.665551	4.0	NaN	NaN	NaN	NaN	1	100.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
348	Meat Лав	ресторан	Москва, Головинское шоссе, 10Б	Северный административный округ	ежедневно, 11:00–23:00	55.837181	37.497324	5.0	средние	Средний счёт:300–600 ₽	450.0	NaN	0	NaN
662	Family Cafe Mayak	ресторан	Москва, Головинское шоссе, 10Б	Северный административный округ	ежедневно, 10:00–22:00	55.837181	37.497324	4.7	NaN	NaN	NaN	NaN	0	NaN

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
1071	Кафе	быстрое питание	Москва, Анадырский проезд, 8, корп. 1	Северо-Восточный административный округ	NaN	55.863555	37.682835	3.7	NaN	NaN	NaN	NaN	0	100.0
1074	Халяль Кафе-Пекарня	булочная	Москва, Анадырский проезд, 8, корп. 1	Северо-Восточный административный округ	ежедневно, 08:00–21:00	55.863555	37.682835	3.7	NaN	Средний счёт:300–700 ₽	500.0	NaN	0	100.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
1324	Кафе-кулинария Сикварули	ресторан	Москва, улица Куусинена, 11, корп. 2	Северный административный округ	ежедневно, 10:00–22:00	55.782729	37.513952	4.4	NaN	NaN	NaN	NaN	0	10.0
1452	Сикварули	ресторан	Москва, улица Куусинена, 11, корп. 2	Северный административный округ	ежедневно, 10:00–22:00	55.782729	37.513952	4.4	NaN	NaN	NaN	NaN	1	10.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
1430	More poke	ресторан	Москва, Волоколамское шоссе, 11, стр. 2	Северный административный округ	ежедневно, 09:00–21:00	55.806307	37.497566	4.2	NaN	NaN	NaN	NaN	0	188.0
1511	More Poke	ресторан	Москва, Волоколамское шоссе, 11, стр. 2	Северный административный округ	пн-чт 09:00–18:00; пт,сб 09:00–21:00; вс 09:00–18:00	55.806307	37.497566	4.2	NaN	NaN	NaN	NaN	1	188.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
1792	Бансонс Бургер Китчен	ресторан	Москва, Лесная улица, 20, стр. 3	Центральный административный округ	пн-чт 10:00–23:00; пт,сб 10:00–02:00; вс 10:00–23:00	55.780218	37.593084	5.0	NaN	Средний счёт:500–1000 ₽	750.0	NaN	0	500.0
2007	Лепим и Варим	кафе	Москва, Лесная улица, 20, стр. 3	Центральный административный округ	ежедневно, 10:00–23:00	55.780218	37.593084	4.4	средние	Средний счёт:400–800 ₽	600.0	NaN	1	500.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
2697	Чайхана Doner кафе	кафе	Москва, Измайловский проспект, 61, стр. 2	Восточный административный округ	ежедневно, круглосуточно	55.78861	37.78397	4.0	NaN	NaN	NaN	NaN	0	15.0
2841	Чайхана Döner	кафе	Москва, Измайловский проспект, 61с2	Восточный административный округ	ежедневно, круглосуточно	55.78861	37.78397	4.0	NaN	NaN	NaN	NaN	0	NaN

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
2719	Dragon bubble tea	кафе	Москва, Щёлковское шоссе, вл75	Восточный административный округ	пн-чт 10:00–22:00; пт,сб 10:00–23:00; вс 10:00–22:00	55.810949	37.799413	4.0	NaN	NaN	NaN	NaN	0	NaN
2866	Dragon Mixology Bar	кафе	Москва, Щёлковское шоссе, вл75	Восточный административный округ	ежедневно, 10:00–22:00	55.810949	37.799413	3.8	NaN	NaN	NaN	NaN	0	NaN

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
2951	Georgian Garden	кафе	Москва, Хабаровская улица, 15	Восточный административный округ	пн-чт 11:00–22:00; пт,сб 11:00–23:00; вс 11:00–22:00	55.822498	37.823358	4.8	NaN	NaN	NaN	NaN	1	75.0
2974	Позы&Буузы	кафе	Москва, Хабаровская улица, 15	Восточный административный округ	пн-чт 11:00–22:00; пт 11:00–23:00; сб,вс 11:00–22:00	55.822498	37.823358	4.3	NaN	NaN	NaN	NaN	0	75.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
2939	Прошу к столу	булочная	Москва, Краснобогатырская улица, 79	Восточный административный округ	ежедневно, 10:00–21:00	55.805361	37.708967	3.8	средние	Средний счёт:300 ₽	300.0	NaN	0	NaN
3001	Хинкальная	кафе	Москва, Краснобогатырская улица, 79	Восточный административный округ	ежедневно, 09:00–00:00	55.805361	37.708967	4.1	NaN	NaN	NaN	NaN	1	NaN

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
3520	Ava	ресторан	Москва, Малая Бронная улица, 21/13с2	Центральный административный округ	ежедневно, 09:00–23:00	55.762784	37.594602	4.7	NaN	NaN	NaN	NaN	0	NaN
3759	Patriki	ресторан	Москва, Малая Бронная улица, 21/13с2	Центральный административный округ	ежедневно, 09:00–23:00	55.762784	37.594602	4.5	NaN	NaN	NaN	NaN	0	NaN

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
3715	Чайхона №1	ресторан	Москва, улица Новый Арбат, 21	Центральный административный округ	ежедневно, 10:00–06:00	55.75204	37.586158	4.4	высокие	Средний счёт:2000 ₽	2000.0	NaN	1	287.0
4056	Steak it easy	ресторан	Москва, улица Новый Арбат, 21	Центральный административный округ	пн,вт 09:00–00:00; ср-пт 09:00–06:00; сб 10:00–06:00; вс 10:00–00:00	55.75204	37.586158	4.5	выше среднего	Средний счёт:1200–1900 ₽	1550.0	NaN	1	287.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
4242	Пельменная-вареничная	быстрое питание	Москва, площадь Киевского Вокзала, 1	Западный административный округ	ежедневно, круглосуточно	55.743041	37.566494	3.4	NaN	Средний счёт:250–350 ₽	300.0	NaN	0	10.0
4286	Пловная-чебуречная	быстрое питание	Москва, площадь Киевского Вокзала, 1	Западный административный округ	ежедневно, круглосуточно	55.743041	37.566494	3.3	NaN	Средний счёт:250–350 ₽	300.0	NaN	0	10.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
4388	Стейк & Бургер	ресторан	Москва, улица Земляной Вал, 9	Центральный административный округ	ежедневно, 09:00–21:00	55.76169	37.658536	4.3	NaN	NaN	NaN	NaN	1	132.0
4425	Soul in the Bowl	кафе	Москва, улица Земляной Вал, 9	Центральный административный округ	пн-пт 08:00–20:00	55.76169	37.658536	4.1	NaN	NaN	NaN	NaN	1	132.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
5314	Leon	ресторан	Москва, улица Металлургов, 29А	Восточный административный округ	пн-сб 11:00–23:00; вс 12:00–23:00	55.759603	37.791702	4.3	NaN	NaN	NaN	NaN	1	NaN
5316	Леон	ресторан	Москва, улица Металлургов, 29А	Восточный административный округ	пн-сб 11:00–23:00; вс 12:00–23:00	55.759603	37.791702	4.4	NaN	NaN	NaN	NaN	0	NaN

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
6087	Франклинс Бургер	ресторан	Москва, улица Вавилова, 3	Южный административный округ	ежедневно, 09:00–22:00	55.706883	37.592096	4.4	NaN	NaN	NaN	NaN	1	320.0
6097	Креветочная	быстрое питание	Москва, улица Вавилова, 3	Южный административный округ	ежедневно, 09:00–22:00	55.706883	37.592096	4.2	NaN	NaN	NaN	NaN	0	320.0
6226	Laserland кафе	кафе	Москва, улица Вавилова, 3	Южный административный округ	ежедневно, 09:00–22:00	55.706883	37.592096	4.7	NaN	NaN	NaN	NaN	0	320.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
6081	Белая Птица	пиццерия	Москва, Лужнецкая набережная, 2/4с3	Центральный административный округ	пн-пт 09:00–18:00	55.714942	37.574534	4.4	NaN	NaN	NaN	NaN	0	NaN
6111	Союз Кофе	пиццерия	Москва, Лужнецкая набережная, 2/4с3	Центральный административный округ	пн-пт 09:00–22:00; сб,вс 12:00–22:00	55.714942	37.574534	4.1	NaN	NaN	NaN	NaN	0	NaN

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
6142	Кулинарная лавка братьев Караваевых	кафе	Москва, улица Шаболовка, 29, корп. 2	Центральный административный округ	ежедневно, 08:00–23:00	55.721686	37.6107	4.3	NaN	NaN	NaN	NaN	1	130.0
6183	ДаблБи	кофейня	Москва, улица Шаболовка, 29, корп. 2	Центральный административный округ	пн-пт 08:00–20:00; сб,вс 10:00–20:00	55.721686	37.6107	4.3	NaN	NaN	NaN	NaN	1	130.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
6087	Франклинс Бургер	ресторан	Москва, улица Вавилова, 3	Южный административный округ	ежедневно, 09:00–22:00	55.706883	37.592096	4.4	NaN	NaN	NaN	NaN	1	320.0
6097	Креветочная	быстрое питание	Москва, улица Вавилова, 3	Южный административный округ	ежедневно, 09:00–22:00	55.706883	37.592096	4.2	NaN	NaN	NaN	NaN	0	320.0
6226	Laserland кафе	кафе	Москва, улица Вавилова, 3	Южный административный округ	ежедневно, 09:00–22:00	55.706883	37.592096	4.7	NaN	NaN	NaN	NaN	0	320.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
6204	Эдельвейс	кафе	Москва, Ленинский проспект, 65, корп. 3	Юго-Западный административный округ	NaN	55.692059	37.557188	2.9	NaN	NaN	NaN	NaN	0	45.0
6278	Восточная кухня	кафе	Москва, Ленинский проспект, 65, корп. 2	Юго-Западный административный округ	NaN	55.692059	37.557188	3.8	NaN	NaN	NaN	NaN	1	144.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
6534	Fibo Pasta & Ravioli	кафе	Москва, проспект Вернадского, 86В	Западный административный округ	пн-сб 10:00–22:00; вс 11:00–22:00	55.661638	37.480148	4.8	средние	Средний счёт:500–1000 ₽	750.0	NaN	1	NaN
6549	Bổ	кафе	Москва, проспект Вернадского, 86В	Западный административный округ	пн-чт 10:00–23:00; пт,сб 10:00–00:00; вс 11:00–23:00	55.661638	37.480148	4.7	NaN	NaN	NaN	NaN	0	NaN

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
6776	Папа Джонс	пиццерия	Москва, улица Кравченко, 8, стр. 6	Юго-Западный административный округ	ежедневно, 11:00–23:00	55.676265	37.519503	4.2	NaN	Средний счёт:450–600 ₽	525.0	NaN	1	NaN
6802	Кравченко 8 СТР. 6	кафе	Москва, улица Кравченко, 8, стр. 6	Юго-Западный административный округ	ежедневно, 11:00–23:00	55.676265	37.519503	4.1	NaN	NaN	NaN	NaN	0	NaN

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
6762	Campus	кафе	Москва, проспект Вернадского, 84с1	Западный административный округ	пн-пт 08:30–20:00; сб 08:30–17:00	55.665142	37.478603	2.8	NaN	NaN	NaN	NaN	1	NaN
6807	Loft-cafe академия	кафе	Москва, проспект Вернадского, 84, стр. 1	Западный административный округ	пн-пт 09:00–20:00; сб 09:00–16:00	55.665142	37.478603	3.6	NaN	NaN	NaN	NaN	0	1288.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
6598	Узбечка	столовая	Москва, улица Академика Волгина, 2А	Юго-Западный административный округ	ежедневно, 08:00–23:00	55.655107	37.521641	4.6	NaN	NaN	NaN	NaN	1	49.0
6809	Кафе Восток	кафе	Москва, улица Академика Волгина, 2А	Юго-Западный административный округ	NaN	55.655107	37.521641	2.9	NaN	NaN	NaN	NaN	0	49.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
7066	Кофе	кафе	Москва, Профсоюзная улица, 56	Юго-Западный административный округ	ежедневно, 10:00–21:00	55.670021	37.55248	5.0	NaN	NaN	NaN	NaN	1	86.0
7076	Южная Ночь	быстрое питание	Москва, Профсоюзная улица, 56	Юго-Западный административный округ	ежедневно, 12:00–23:00	55.670021	37.55248	4.2	выше среднего	Средний счёт:1200 ₽	1200.0	NaN	0	86.0
8401	Суши Мания	кафе	Москва, Профсоюзная улица, 56	Юго-Западный административный округ	ежедневно, 09:00–02:00	55.670021	37.55248	4.4	NaN	NaN	NaN	NaN	0	86.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
7362	Хинкальная	кафе	Москва, улица Нижние Поля, 19Б, стр. 1	Юго-Восточный административный округ	ежедневно, 10:00–00:00	55.658424	37.737291	4.3	средние	Средний счёт:от 300 ₽	300.0	NaN	1	45.0
7407	Старый дворик	кафе	Москва, улица Нижние Поля, 19Б, стр. 1	Юго-Восточный административный округ	ежедневно, 10:00–00:00	55.658424	37.737291	4.1	средние	Средний счёт:от 300 ₽	300.0	NaN	1	45.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
7638	Кофешефф	ресторан	Москва, Новоясеневский проспект, 7	Юго-Западный административный округ	ежедневно, 08:30–21:00	55.607489	37.532367	4.3	NaN	NaN	NaN	NaN	0	60.0
7640	Крошка Картошка	быстрое питание	Москва, Новоясеневский проспект, 7	Юго-Западный административный округ	ежедневно, 10:00–22:00	55.607489	37.532367	4.1	NaN	NaN	NaN	NaN	1	60.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
7660	100лоффка	столовая	Москва, Варшавское шоссе, вл132/2	Южный административный округ	пн-пт 09:00–17:30	55.620316	37.608922	4.4	низкие	Средний счёт:100–270 ₽	185.0	NaN	0	NaN
7767	За обе щёки	кафе	Москва, Варшавское шоссе, вл132/2	Южный административный округ	ежедневно, 09:00–21:00	55.620316	37.608922	3.6	NaN	NaN	NaN	NaN	1	NaN

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
7781	Ёрш	пиццерия	Москва, Липецкая улица, 2, корп. 8	Южный административный округ	ежедневно, 11:30–05:00	55.608307	37.664941	4.4	выше среднего	Средний счёт:1000–1500 ₽	1250.0	NaN	1	120.0
7787	Тануки	ресторан	Москва, Липецкая улица, 2, корп. 8	Южный административный округ	ежедневно, 10:00–05:00	55.608307	37.664941	4.3	выше среднего	Средний счёт:1000–1500 ₽	1250.0	NaN	1	120.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
6299	Городское	кафе	Москва, улица Вавилова, 66	Юго-Западный административный округ	пн-пт 10:00–21:00	55.683046	37.54931	4.3	NaN	NaN	NaN	NaN	1	80.0
8019	Пицца Кофе	пиццерия	Москва, улица Вавилова, 66	Юго-Западный административный округ	ежедневно, 10:00–21:00	55.683046	37.54931	4.2	NaN	NaN	NaN	NaN	0	80.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
6350	Любовь Пирогова	булочная	Москва, Мытная улица, 74	Южный административный округ	ежедневно, 08:00–21:00	55.712117	37.620555	5.0	NaN	Средний счёт:250–500 ₽	375.0	NaN	0	92.0
8086	Кулинарная школа Ginza Project	кафе	Москва, Мытная улица, 74	Южный административный округ	ежедневно, 09:00–21:00	55.712117	37.620555	4.5	средние	Средний счёт:500–1000 ₽	750.0	NaN	0	92.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
6388	Prime	ресторан	Москва, улица Ленинская Слобода, 19	Южный административный округ	пн-пт 08:00–19:00	55.708354	37.652705	4.2	NaN	NaN	NaN	NaN	1	450.0
8095	Белочка	ресторан	Москва, улица Ленинская Слобода, 19	Южный административный округ	пн-пт 12:00–17:00	55.708354	37.652705	3.4	NaN	NaN	NaN	NaN	0	450.0

================================================================================

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
7066	Кофе	кафе	Москва, Профсоюзная улица, 56	Юго-Западный административный округ	ежедневно, 10:00–21:00	55.670021	37.55248	5.0	NaN	NaN	NaN	NaN	1	86.0
7076	Южная Ночь	быстрое питание	Москва, Профсоюзная улица, 56	Юго-Западный административный округ	ежедневно, 12:00–23:00	55.670021	37.55248	4.2	выше среднего	Средний счёт:1200 ₽	1200.0	NaN	0	86.0
8401	Суши Мания	кафе	Москва, Профсоюзная улица, 56	Юго-Западный административный округ	ежедневно, 09:00–02:00	55.670021	37.55248	4.4	NaN	NaN	NaN	NaN	0	86.0

================================================================================

Нашлись неявные дубликаты. Это те же заведения, но названия написаны немного по-разному:

• Сикварули (строки 1324 и 1452);
• More Poke (строки 1430 и 1511);
• Чайхана Doner (строки 2697 и 2841);
• Леон (строки 5314 и 5316).

Удалим строки с меньшим количеством данных:

data_prep = data.query('index not in (1430,1324,2841,5314)').reset_index(drop=True)
data_prep.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8402 entries, 0 to 8401
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8402 non-null   object 
 1   category           8402 non-null   object 
 2   address            8402 non-null   object 
 3   district           8402 non-null   object 
 4   hours              7866 non-null   object 
 5   lat                8402 non-null   float64
 6   lng                8402 non-null   float64
 7   rating             8402 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8402 non-null   int64  
 13  seats              4793 non-null   float64
dtypes: float64(6), int64(1), object(7)
memory usage: 919.1+ KB

Поищем неявные дубликаты по другим столбцам:

print('Уникальные категории: ', data_prep['category'].unique())

Уникальные категории:  ['кафе' 'ресторан' 'кофейня' 'пиццерия' 'бар,паб' 'быстрое питание'
 'булочная' 'столовая']

print('Уникальные ценовые категории: ', data_prep['price'].unique())

Уникальные ценовые категории:  [nan 'выше среднего' 'средние' 'высокие' 'низкие']

print('Уникальные районы: ', data_prep['district'].unique())

Уникальные районы:  ['Северный административный округ'
 'Северо-Восточный административный округ'
 'Северо-Западный административный округ'
 'Западный административный округ' 'Центральный административный округ'
 'Восточный административный округ' 'Юго-Восточный административный округ'
 'Южный административный округ' 'Юго-Западный административный округ']

Явных дубликатов в таблице не было. При поиске неявных дубликатов нашлись четыре лишних строки, которые были удалены.

Обработка пропусков

Столбец hours.
Каждое заведение имеет свой уникальный режим работы. Заменить пропуски чем-то адекватным и полезным не представляется возможным. Оставляем как есть.

Столбцы price,avg_bill, middle_avg_bill, middle_coffee_cup,seats.
Также оставляем с пропусками.

Добавление вспомогательных столбцов.

Добавление столбца с названием улицы, street.

# напишем функцию для извлечения из адреса названия улицы:
def street (row):
    street = row.split(',')
    return street[1]

# создадим столбец:
data_prep['street'] = data_prep['address'].apply(street)
display(data_prep.head())

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	street
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN	улица Дыбенко
1	Четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0	улица Дыбенко
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00–02:00	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0	Клязьминская улица
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN	улица Маршала Федоренко
4	Иль Марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0	Правобережная улица

Добавление столбца is_24_7, с признаком, работает ли заведение ежедневно и круглосуточно.

# вводим функцию:
def is247 (hour):
    w = ('ежедневно' in str(hour)) and ('круглосуточно' in str(hour))
    return w
# применяем для нового столбца:
data_prep['is_24_7'] = data_prep['hours'].apply(is247)      
# проверяем результат:
display(data_prep.head(30))

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	street	is_24_7
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN	улица Дыбенко	False
1	Четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0	улица Дыбенко	False
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00–02:00	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0	Клязьминская улица	False
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN	улица Маршала Федоренко	False
4	Иль Марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0	Правобережная улица	False
5	Sergio Pizza	пиццерия	Москва, Ижорская улица, вл8Б	Северный административный округ	ежедневно, 10:00–23:00	55.888010	37.509573	4.6	средние	NaN	NaN	NaN	0	NaN	Ижорская улица	False
6	Огни города	бар,паб	Москва, Клязьминская улица, 9, стр. 3	Северный административный округ	пн 15:00–04:00; вт-вс 15:00–05:00	55.890752	37.524653	4.4	средние	Средний счёт:199 ₽	199.0	NaN	0	45.0	Клязьминская улица	False
7	Mr. Уголёк	быстрое питание	Москва, Клязьминская улица, 9, стр. 3	Северный административный округ	пн-чт 10:00–22:00; пт,сб 10:00–23:00; вс 10:00–22:00	55.890636	37.524303	4.7	средние	Средний счёт:200–300 ₽	250.0	NaN	0	45.0	Клязьминская улица	False
8	Donna Maria	ресторан	Москва, Дмитровское шоссе, 107, корп. 4	Северный административный округ	ежедневно, 10:00–22:00	55.880045	37.539006	4.8	средние	Средний счёт:от 500 ₽	500.0	NaN	0	79.0	Дмитровское шоссе	False
9	Готика	кафе	Москва, Ангарская улица, 39	Северный административный округ	ежедневно, 12:00–00:00	55.879038	37.524487	4.3	средние	Средний счёт:1000–1200 ₽	1100.0	NaN	0	65.0	Ангарская улица	False
10	Great Room Bar	бар,паб	Москва, Левобережная улица, 12	Северный административный округ	ежедневно, круглосуточно	55.877832	37.469171	4.5	средние	Цена бокала пива:250–350 ₽	NaN	NaN	0	102.0	Левобережная улица	True
11	Шашлык Шефф	кафе	Москва, улица Маршала Федоренко, 10с1	Северный административный округ	ежедневно, 10:00–21:00	55.881770	37.492362	4.9	NaN	NaN	NaN	NaN	0	NaN	улица Маршала Федоренко	False
12	Заправка	кафе	Москва, МКАД, 80-й километр, 1	Северный административный округ	вт-сб 09:00–18:00	55.899938	37.517958	4.3	средние	Средний счёт:330 ₽	330.0	NaN	0	NaN	МКАД	False
13	Буханка	булочная	Москва, Базовская улица, 15, корп. 1	Северный административный округ	ежедневно, 08:00–22:00	55.877007	37.504980	4.8	NaN	NaN	NaN	NaN	1	180.0	Базовская улица	False
14	У Сильвы	бар,паб	Москва, Ангарская улица, 42с1	Северный административный округ	ежедневно, 13:00–00:00	55.885528	37.528371	4.2	выше среднего	Средний счёт:1500 ₽	1500.0	NaN	0	NaN	Ангарская улица	False
15	Дом обеда	столовая	Москва, улица Бусиновская Горка, 2	Северный административный округ	пн-пт 08:30–18:30; сб 10:00–20:00	55.885890	37.493264	4.1	средние	Средний счёт:300–500 ₽	400.0	NaN	0	180.0	улица Бусиновская Горка	False
16	База Стритфуд	кафе	Москва, Базовская улица, 15, корп. 8	Северный административный округ	ежедневно, 10:00–23:00	55.877859	37.507754	4.2	средние	Средний счёт:140–350 ₽	245.0	NaN	0	NaN	Базовская улица	False
17	Чайхана Беш-Бармак	ресторан	Москва, Ленинградское шоссе, 71Б, стр. 2	Северный административный округ	ежедневно, круглосуточно	55.876908	37.449876	4.4	средние	Средний счёт:350–500 ₽	425.0	NaN	0	96.0	Ленинградское шоссе	True
18	Час-Пик	столовая	Москва, Коровинское шоссе, 30А	Северный административный округ	ежедневно, 09:00–21:00	55.884651	37.517482	4.3	средние	Средний счёт:200–300 ₽	250.0	NaN	0	25.0	Коровинское шоссе	False
19	Пекарня	булочная	Москва, Ижорский проезд, 5	Северный административный округ	ежедневно, круглосуточно	55.887969	37.515688	4.4	NaN	NaN	NaN	NaN	1	NaN	Ижорский проезд	True
20	Чебуреки Манты	кафе	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.880287	37.448646	4.3	NaN	NaN	NaN	NaN	1	148.0	Правобережная улица	False
21	7/12	кафе	Москва, Прибрежный проезд, 7	Северный административный округ	ежедневно, 10:00–22:00	55.876805	37.464934	4.5	NaN	NaN	NaN	NaN	0	NaN	Прибрежный проезд	False
22	Крымские чебуреки	кафе	Москва, Коровинское шоссе, 35, стр. 17	Северный административный округ	пн-пт 09:00–21:00	55.883414	37.514572	4.2	NaN	NaN	NaN	NaN	0	NaN	Коровинское шоссе	False
23	Буханка	булочная	Москва, Лобненская улица, 13к2	Северный административный округ	ежедневно, 08:00–22:00	55.888421	37.527106	4.7	NaN	NaN	NaN	NaN	1	NaN	Лобненская улица	False
24	Drive Café	кафе	Москва, улица Дыбенко, 9Ас1	Северный административный округ	ежедневно, круглосуточно	55.879992	37.481571	4.0	NaN	NaN	NaN	NaN	1	NaN	улица Дыбенко	True
25	В парке вкуснее	кофейня	Москва, парк Левобережный	Северный административный округ	ежедневно, 10:00–21:00	55.878453	37.460028	4.3	NaN	NaN	NaN	NaN	1	NaN	парк Левобережный	False
26	Пикочино	пиццерия	Москва, Дмитровское шоссе, 107к2	Северный административный округ	пн-чт 11:00–22:00; пт,сб 11:00–23:00; вс 11:00–22:00	55.879390	37.541228	4.5	средние	Средний счёт:300–1500 ₽	900.0	NaN	0	NaN	Дмитровское шоссе	False
27	Шаурму Х@чу	быстрое питание	Москва, улица Дыбенко, 7, стр. 1	Северный административный округ	пн-пт 08:00–22:00; сб,вс 10:00–22:00	55.879324	37.480280	4.1	NaN	Средний счёт:от 240 ₽	240.0	NaN	0	4.0	улица Дыбенко	False
28	Mafe	кафе	Москва, МКАД, 78-й километр, 14к1	Северный административный округ	ежедневно, 10:00–19:00	55.893061	37.501319	3.8	средние	Средний счёт:400–600 ₽	500.0	NaN	0	NaN	МКАД	False
29	Кушай Город	столовая	Москва, Дмитровское шоссе, 157, стр. 15	Северный административный округ	пн-пт 09:00–16:00	55.898414	37.539256	4.2	средние	Средний счёт:200–250 ₽	225.0	NaN	1	NaN	Дмитровское шоссе	False

Итоги раздела:
Явные дубликаты не найдены. Найдены и удалены четыре неявных дубликата.
С пропусками было решено ничего не делать. Некоторые столбцы даже предполагают наличие в них пропусков.
Добавлены два вспомогательных столбца - с названием улицы и признак работы заведения "24 на 7".

Таблица "похудела" всего на 4 строки, или на

print(round(100*(len(data) - len(data_prep))/len(data),3),'процента')

0.048 процента

data = data_prep

---

Анализ данных

(к заголовку)

Анализ категорий заведений

(к заголовку)

Узнаем, на какие категории делятся наши заведения, и какое их количество представлено в каждой категории.

category_n = data.groupby('category')['name'].count().sort_values(ascending=False).reset_index()
display(category_n)

	category	name
0	кафе	2377
1	ресторан	2040
2	кофейня	1413
3	бар,паб	765
4	пиццерия	633
5	быстрое питание	603
6	столовая	315
7	булочная	256

Чтобы лучше видеть долю той или иной категории в общем числе заведений, построим круговой график.
>>back_to_the_future

sns.set(style='white')
plt.figure(figsize=(10,6), dpi=90)
plt.pie(category_n['name'], labels = category_n['category'], autopct='%0.1f%%')
plt.title('Места общественного питания Москвы\n\n Распределение по категориям', fontsize=14);

Кафе и рестораны вместе составляют 52,6% от общего числа заведений, при этом кафе занимают первое место по численности, обгоняя рестораны на 4%. На третьем месте - кофейни, 16% от общего числа.

Анализ количества посадочных мест

(к заголовку)

Теперь узнаем, как отличаются категории заведений по количеству посадочных мест.
Выделим из датасета только те строки, где есть информация в столбце seats:

data_seats = data.dropna(subset=['seats'])
data_seats.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 4793 entries, 1 to 8401
Data columns (total 16 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               4793 non-null   object 
 1   category           4793 non-null   object 
 2   address            4793 non-null   object 
 3   district           4793 non-null   object 
 4   hours              4493 non-null   object 
 5   lat                4793 non-null   float64
 6   lng                4793 non-null   float64
 7   rating             4793 non-null   float64
 8   price              2050 non-null   object 
 9   avg_bill           2371 non-null   object 
 10  middle_avg_bill    1990 non-null   float64
 11  middle_coffee_cup  299 non-null    float64
 12  chain              4793 non-null   int64  
 13  seats              4793 non-null   float64
 14  street             4793 non-null   object 
 15  is_24_7            4793 non-null   bool   
dtypes: bool(1), float64(6), int64(1), object(8)
memory usage: 603.8+ KB

Проверим статистику распределения количества мест по категориям заведений.
Отсортируем по медиане, как наиболее устойчивому к влиянию аномальных выбросов параметру:

data_seats_stat = data_seats.groupby(by='category').agg({'seats':['count','min','mean','median','max']}).sort_values(by=('seats','median'),ascending=False)
display(data_seats_stat)

	seats
	count	min	mean	median	max
category
ресторан	1268	0.0	121.980284	86.0	1288.0
бар,паб	468	0.0	124.532051	82.5	1288.0
кофейня	751	0.0	111.199734	80.0	1288.0
столовая	164	0.0	99.750000	75.5	1200.0
быстрое питание	349	0.0	98.891117	65.0	1040.0
кафе	1218	0.0	97.512315	60.0	1288.0
пиццерия	427	0.0	94.496487	55.0	1288.0
булочная	148	0.0	89.385135	50.0	625.0

Визуализируем распределения количества мест по разным категориям:

plt.figure(figsize=(12,6), dpi=100)
sns.boxplot(data=data_seats, y='category',x='seats')
plt.title('Места общественного питания Москвы\n\n Распределение количества мест по категориям', fontsize=14)
plt.xlabel('')
plt.ylabel('');

plt.figure(figsize=(7,5), dpi=90)
sns.barplot(data=data_seats_stat, y=data_seats_stat.index, x=('seats','median'))
plt.title('Места общественного питания Москвы\n\n Медианное количество посадочных мест по категориям\n', fontsize=14)
plt.xlabel('Медианное количество')
plt.ylabel('');

Из таблицы и графиков видно, что медианное значение количества мест в заведениях варьирует от 50 до 86, а 90-й процентиль не превышает 300. Аномально большие значения, от 300 до 1288 посадочных мест, сравнимые с количеством мест у небольшого стадиона, скорее всего говорят о обширных фудкортах различных торгово-развлекательных центров.
Также имеем в виду, что из рассмотрения по причине отсутствия информации о количестве посадочных мест были исключены 3609 заведений.

Анализ заведений по признаку отношения к сети

(к заголовку)

# общее кол-во сетевых и несетевых заведений:
data_chain_and_not = data.groupby('chain',as_index=False)['name'].count()
display(data_chain_and_not)

	chain	name
0	0	5198
1	1	3204

data_chain_and_not['chain'] = data_chain_and_not['chain'].astype(str)
data_chain_and_not.loc[0,'chain'] = 'несетевые'
data_chain_and_not.loc[1,'chain'] = 'сетевые'

plt.figure(figsize=(5,4), dpi=90)
sns.barplot(data=data_chain_and_not, 
            x='chain', 
            y='name')
plt.title('Места общественного питания Москвы\n\n Количество сетевых и несетевых заведений\n', fontsize=14)
plt.ylabel('Количество')
plt.xlabel('');

Несетевых заведений больше. Всего 3200 из 8400, т.е. 38%, принадлежат к какой-либо сети.

Узнаем, какие категории заведений чаще являются сетевыми:

# подсчет кол-ва сетевых заведений по категориям:
data_chain_cat = data.query('chain == 1').groupby('category',as_index=False)['name'].count()
data_chain_cat.columns = ['category','chain']
# подсчет общего кол-ва заведений по категориям:
data_chain_cat['total'] = data.groupby('category',as_index=False)['name'].count()['name']
# подсчет процента сетевых заведений по категориям:
data_chain_cat['chain_percent'] = round(100*data_chain_cat['chain']/data_chain_cat['total'],2)

display(data_chain_cat.sort_values(by='chain_percent', ascending=False))

	category	chain	total	chain_percent
1	булочная	157	256	61.33
5	пиццерия	330	633	52.13
4	кофейня	720	1413	50.96
2	быстрое питание	232	603	38.47
6	ресторан	729	2040	35.74
3	кафе	779	2377	32.77
7	столовая	88	315	27.94
0	бар,паб	169	765	22.09

plt.figure(figsize=(7,5), dpi=90)
sns.barplot(data=data_chain_cat.sort_values('chain_percent',ascending=False), 
            y='category', 
            x='chain_percent')
plt.title('Места общественного питания Москвы\n\n Процент сетевых заведений среди категорий\n', fontsize=14)
plt.xlabel('Процент')
plt.ylabel('')
plt.grid();

Доля сетевых заведений больше всего среди булочных. Бары и пабы больше всех любят индивидуализм. Среди пиццерий и кофеен процент сетевых заведений тоже высок - 52,13 и 50,96% соответственно.

Теперь узнаем, какие сети имеют наибольшее количество своих заведений в Москве, и, заодно, проверим, все ли точки одной сети имеют в нашем датасете одну и ту же категорию:

data_chain_names = (data.query('chain == 1')
                    .groupby('name').agg({'category':['count','unique']})
                    .sort_values(by=('category','count'),ascending=False)
                   )
# выведем топ-15
display(data_chain_names.head(15))

	category
	count	unique
name
Шоколадница	120	[кофейня, кафе]
Домино'с Пицца	76	[пиццерия]
Додо Пицца	74	[пиццерия]
One Price Coffee	71	[кофейня]
Яндекс Лавка	69	[ресторан]
Cofix	65	[кофейня]
Prime	50	[ресторан, кафе]
Хинкальная	44	[быстрое питание, кафе, ресторан, столовая, бар,паб]
КОФЕПОРТ	42	[кофейня]
Кулинарная лавка братьев Караваевых	39	[кафе]
Теремок	38	[ресторан, быстрое питание]
Чайхана	37	[кафе, быстрое питание, ресторан]
CofeFest	32	[кофейня, кафе]
Буханка	32	[булочная, кофейня, кафе]
Му-Му	27	[кафе, ресторан, кофейня, быстрое питание, пиццерия, столовая, бар,паб]

Некоторые сети предлагают настолько разнообразные услуги, что их заведения можно причислить к нескольким категориям. Чемпионом в этом в нашем топ-15 стала сеть "Му-Му" - семь категорий на 27 точек!
Но, в основном, сети соблюдают свое направление деятельности - 7 из 15 имеют одну категорию, 4 из 15 - две. Также, 11 сетей из 14 связаны с кофе.

Подготовим данные для визуализации, из каких категорий сложены сети в нашей топ-15:

data_chain_stacked = pd.DataFrame(data_chain_names.head(15).sort_values(('category','count')).index)
list_cat = category_n['category']
for cat in list_cat:
    v_list = []
    for name in data_chain_stacked['name']:
        v_list.append(data
                      .query('name == @name and category == @cat')['name']
                      .count()
                     )
    data_chain_stacked[cat] = v_list

display(data_chain_stacked)

	name	кафе	ресторан	кофейня	бар,паб	пиццерия	быстрое питание	столовая	булочная
0	Му-Му	12	8	2	1	1	2	1	0
1	CofeFest	1	0	31	0	0	0	0	0
2	Буханка	1	0	6	0	0	0	0	25
3	Чайхана	26	9	0	0	0	2	0	0
4	Теремок	0	36	0	0	0	2	0	0
5	Кулинарная лавка братьев Караваевых	39	0	0	0	0	0	0	0
6	КОФЕПОРТ	0	0	42	0	0	0	0	0
7	Хинкальная	19	15	0	3	0	6	1	0
8	Prime	1	49	0	0	0	0	0	0
9	Cofix	0	0	65	0	0	0	0	0
10	Яндекс Лавка	0	69	0	0	0	0	0	0
11	One Price Coffee	0	0	71	0	0	0	0	0
12	Додо Пицца	0	0	0	0	74	0	0	0
13	Домино'с Пицца	0	0	0	0	76	0	0	0
14	Шоколадница	1	0	119	0	0	0	0	0

# визуализируем
data_chain_stacked.set_index('name').plot.barh(stacked=True, figsize=(8,6))
plt.title('Места общественного питания Москвы\n\n Топ-15 сетевых заведений с разбивкой по категориям\n', fontsize=14)
plt.xticks(rotation=0)
plt.ylabel('')
plt.xlabel('Количество заведений')
plt.show();

Кофейни, пиццерии, кафе и рестораны - основные, по численности, категории сетевых заведений. Но в топе-15, очевидно, больше кофеен.
Все названия на слуху, но, почему-то, нет многих других популярных сетевых заведений: "Subway", "Ростикс" или "KFC".

Анализ заведений по расположению

(к заголовку)

Отобразим распределение заведений по административным округам, в том числе с разбивкой по категориям.

Посчитаем сначала общее количество заведений по округам и отсортируем по убыванию:

data_district_n = data.groupby('district')['name'].count().sort_values(ascending=False)
display(data_district_n)

district
Центральный административный округ         2242
Северный административный округ             898
Южный административный округ                892
Северо-Восточный административный округ     891
Западный административный округ             851
Восточный административный округ            796
Юго-Восточный административный округ        714
Юго-Западный административный округ         709
Северо-Западный административный округ      409
Name: name, dtype: int64

data_district_stacked = pd.DataFrame(data_district_n.sort_values().index)

for cat in list_cat:
    v_list = []
    for district in data_district_stacked['district']:
        v_list.append(data
                      .query('district == @district and category == @cat')['name']
                      .count()
                     )
    data_district_stacked[cat] = v_list

display(data_district_stacked)

	district	кафе	ресторан	кофейня	бар,паб	пиццерия	быстрое питание	столовая	булочная
0	Северо-Западный административный округ	115	109	62	23	40	30	18	12
1	Юго-Западный административный округ	238	168	96	38	64	61	17	27
2	Юго-Восточный административный округ	282	145	89	38	55	67	25	13
3	Восточный административный округ	271	159	105	53	72	71	40	25
4	Западный административный округ	239	218	150	50	71	62	24	37
5	Северо-Восточный административный округ	269	182	159	63	68	82	40	28
6	Южный административный округ	264	202	131	68	73	85	44	25
7	Северный административный округ	235	187	193	68	77	58	41	39
8	Центральный административный округ	464	670	428	364	113	87	66	50

# визуализируем
data_district_stacked.set_index('district').plot.barh(stacked=True, figsize=(8,6))
plt.title('Места общественного питания Москвы\n\n Количество заведений по округам с разбивкой по категориям\n', fontsize=14)
plt.xticks(rotation=0)
plt.ylabel('')
plt.show();

Со значительным преимуществом по количеству точек общепита побеждает ЦАО. Утолить голод или жажду там можно с разнообразием в два с лишним раза превышающим любой другой округ и в пять раз превышающим СЗАО. Почему подобных заведений так мало на северо-западе, и вообще, почему районы так сильно отличаются по количеству заведений общественного питания? Предположительно, несмотря на то, что другие административные округа больше по размерам, чем Центральный, в Центральном жителей меньше, но значительно больше достопримечтельностей, офисов и учреждений культуры. То есть, люди, находясь вне дома - на работе, прогулке или культурном мероприятии, - чаще нуждаются в местах общественного питания, чем находясь у себя дома, в спальном районе.
На графике видно, что количество баров/пабов в ЦАО сравнимо с кафе и кофейнями, тогда как в других округах процент баров гораздо меньше.

Сравним с численностью населения в этих округах:

# для дополнительного анализа, численность населения Москвы на 2024 г., Википедия:
moscow_popupation = pd.DataFrame([774430,1217909,1768752,1455811,1425114,1508678,1515787,1435550,1039596], 
                                 index=data_district_stacked['district'],
                                 columns=["Численность населения"])
display(moscow_popupation)

	Численность населения
district
Северо-Западный административный округ	774430
Юго-Западный административный округ	1217909
Юго-Восточный административный округ	1768752
Восточный административный округ	1455811
Западный административный округ	1425114
Северо-Восточный административный округ	1508678
Южный административный округ	1515787
Северный административный округ	1435550
Центральный административный округ	1039596

# визуализируем
moscow_popupation.sort_values(by='Численность населения',ascending=False).plot.barh(figsize=(8,5),legend=False)
plt.title('Численность населения\n по административным округам Москвы\n', fontsize=14)
plt.xticks(rotation=0)
plt.ylabel('')
plt.show();

Меньшее количество заведений общепита в СЗАО по сравнению с другими округами теперь можно объяснить меньшим количеством жителей.
Теперь также можно примерно посчитать, что количество мест общественного питания в ЦАО в отношении к количеству проживающего там населения примерно в пять раз больше, чем в других административных округах.

Анализ рейтинга заведений

(к заголовку)

Узнаем распределение средних рейтингов по категориям заведений.

# выведем статистику распределения рейтингов по категориям:
data_rating_stat = (data
                    .groupby(by='category')
                    .agg({'rating':['count','min','mean','median','max']})
                    .sort_values(by=('rating','median'),ascending=False)
                   )
display(data_rating_stat)

	rating
	count	min	mean	median	max
category
бар,паб	765	1.1	4.387712	4.4	5.0
булочная	256	1.3	4.268359	4.3	5.0
кофейня	1413	1.4	4.277282	4.3	5.0
пиццерия	633	1.0	4.301264	4.3	5.0
ресторан	2040	1.0	4.290343	4.3	5.0
столовая	315	1.0	4.211429	4.3	5.0
быстрое питание	603	1.1	4.050249	4.2	5.0
кафе	2377	1.0	4.123938	4.2	5.0

Визуализируем распределение в виде "ящиков с усами":

plt.figure(figsize=(12,6), dpi=100)
sns.boxplot(data=data, y='category',x='rating')
plt.title('Места общественного питания Москвы\n\n Распределение рейтинга по категориям', fontsize=14)
plt.xlabel('')
plt.ylabel('');

Медианные значения среднего рейтинга для всех категорий лежат в узком диапазоне 4.2 - 4.4.
Только две категории "упираются" в "пятерку" - кафе и бары/пабы, для остальных "5" это аномальная величина.

Анализ географии

(к заголовку)

Построим хороплет со средним рейтингом по округам Москвы. Подготовим данные:

data_district_rating = data.groupby('district', as_index=False)['rating'].mean().round(2)
display(data_district_rating)

	district	rating
0	Восточный административный округ	4.17
1	Западный административный округ	4.18
2	Северный административный округ	4.24
3	Северо-Восточный административный округ	4.15
4	Северо-Западный административный округ	4.21
5	Центральный административный округ	4.38
6	Юго-Восточный административный округ	4.10
7	Юго-Западный административный округ	4.17
8	Южный административный округ	4.18

try:
    with open('datasets/admin_level_geomap.geojson', 'r', encoding="utf-8") as f:
        geo_json = json.load(f)
except:
    with open('/datasets/admin_level_geomap.geojson', 'r', encoding="utf-8") as f:
        geo_json = json.load(f)

moscow_lat, moscow_lng = 55.751244, 37.618423
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10, tiles='Cartodb Positron')

Choropleth(
    geo_data=geo_json,
    data=data_district_rating,
    columns=['district', 'rating'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Средний рейтинг заведений по районам'
).add_to(m)
m

Make this Notebook Trusted to load map: File -> Trust Notebook

Центральный округ имеет более рейтинговые заведения, чем остальные округа, при самой большой численности заведений. А вот жителям ЮВАО повезло меньше - самый низкий средний рейтинг.

Отобразим на карте все заведения:

marker_cluster = MarkerCluster().add_to(m)
def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        tooltip=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)

data.apply(create_clusters, axis=1)
m

Make this Notebook Trusted to load map: File -> Trust Notebook

Найдем распределение количества заведений общепита по улицам. Составим топ-15:

data_streets_n_15 = data.groupby('street')['name'].count().sort_values(ascending=False).reset_index().head(15)
display(data_streets_n_15)

	street	name
0	проспект Мира	184
1	Профсоюзная улица	122
2	проспект Вернадского	108
3	Ленинский проспект	107
4	Ленинградский проспект	95
5	Дмитровское шоссе	88
6	Каширское шоссе	77
7	Варшавское шоссе	76
8	Ленинградское шоссе	70
9	МКАД	65
10	Люблинская улица	60
11	улица Вавилова	55
12	Кутузовский проспект	54
13	улица Миклухо-Маклая	49
14	Пятницкая улица	48

Добавим информацию о длине улицы (Википедия) и посчитаем плотность размещения мест общепита на той или иной улице:

length_list = [8.9, 9.3, 8, 14, 5.6, 15.5, 12, 22.5, 19.7, 108.9, 8.6, 4.9, 8.3, 3.6, 1.8]
data_streets_n_15.insert(loc=len(data_streets_n_15.columns), column='length', value=length_list)
data_streets_n_15['density'] = round(data_streets_n_15['name']/data_streets_n_15['length'],2)
display(data_streets_n_15)

	street	name	length	density
0	проспект Мира	184	8.9	20.67
1	Профсоюзная улица	122	9.3	13.12
2	проспект Вернадского	108	8.0	13.50
3	Ленинский проспект	107	14.0	7.64
4	Ленинградский проспект	95	5.6	16.96
5	Дмитровское шоссе	88	15.5	5.68
6	Каширское шоссе	77	12.0	6.42
7	Варшавское шоссе	76	22.5	3.38
8	Ленинградское шоссе	70	19.7	3.55
9	МКАД	65	108.9	0.60
10	Люблинская улица	60	8.6	6.98
11	улица Вавилова	55	4.9	11.22
12	Кутузовский проспект	54	8.3	6.51
13	улица Миклухо-Маклая	49	3.6	13.61
14	Пятницкая улица	48	1.8	26.67

Пятницкая улица, одна из старейших улиц Москвы, расположена в Центральном округе, и у нее самая высокая плотность размещения точек общепита, 48 штук всего на 1.8 км длины.

Построим столбчатый график с накоплением для улиц из таблицы выше, с разбивкой по категориям:

data_streets_stacked = pd.DataFrame(data_streets_n_15.sort_values('name')['street'])

for cat in list_cat:
    v_list = []
    for street in data_streets_stacked['street']:
        v_list.append(data
                      .query('street == @street and category == @cat')['name']
                      .count()
                     )
    data_streets_stacked[cat] = v_list

display(data_streets_stacked)

	street	кафе	ресторан	кофейня	бар,паб	пиццерия	быстрое питание	столовая	булочная
14	Пятницкая улица	7	18	6	9	3	2	0	3
13	улица Миклухо-Маклая	21	15	4	3	2	4	0	0
12	Кутузовский проспект	14	16	13	2	3	2	3	1
11	улица Вавилова	15	12	10	2	3	11	0	2
10	Люблинская улица	26	10	11	5	1	5	2	0
9	МКАД	45	5	4	1	0	9	1	0
8	Ленинградское шоссе	13	26	13	5	3	5	3	2
7	Варшавское шоссе	18	20	14	6	4	7	7	0
6	Каширское шоссе	20	19	16	2	5	10	5	0
5	Дмитровское шоссе	23	24	11	6	8	10	4	2
4	Ленинградский проспект	12	25	25	15	9	2	3	4
3	Ленинский проспект	26	33	23	10	5	2	5	3
2	проспект Вернадского	25	33	16	7	12	12	2	1
1	Профсоюзная улица	35	26	18	6	15	15	3	4
0	проспект Мира	53	45	36	12	11	21	2	4

# визуализируем
data_streets_stacked.set_index('street').plot.barh(stacked=True, figsize=(8,6))
plt.title('Места общественного питания Москвы\n\n Количество заведений по улицам с разбивкой по категориям\n', fontsize=14)
plt.xticks(rotation=0)
plt.ylabel('')
plt.show();

Бросается в глаза отличие МКАД от других улиц. Вполне логично, что на окружной дороге практически нет пабов (1 шт., пить алкоголь за рулем ззапрещено) и относительно мало ресторанов. Оживленная транзитная трасса - не очень привлекательное место для гурманов. Зато много кафе, чтобы перекусить, не тратя много времени на задержку в пути.

Теперь найдем улицы, где есть только одно заведение общепита:

data_streets_one_place = data.groupby('street')['name'].count().reset_index().query('name == 1')
display(data_streets_one_place.head(10))
display(data_streets_one_place.tail(10))

	street	name
0	1-й Автозаводский проезд	1
1	1-й Балтийский переулок	1
2	1-й Варшавский проезд	1
3	1-й Вешняковский проезд	1
5	1-й Голутвинский переулок	1
6	1-й Грайвороновский проезд	1
7	1-й Дербеневский переулок	1
9	1-й Земельный переулок	1
10	1-й Капотнинский проезд	1
11	1-й Кирпичный переулок	1

	street	name
1416	улица Уткина	1
1418	улица Фадеева	1
1421	улица Фотиевой	1
1432	улица Чечулина	1
1433	улица Чистова	1
1436	улица Шкулёва	1
1437	улица Шкулёва 4	1
1439	улица Шухова	1
1442	улица Юннатов	1
1447	№ 7	1

Скорее всего, это или очень маленькие улицы (переулки), или проезды в промышленных районах, или небольшие улицы на окраине города. Или ошибки в указании адреса, как, например, строки №1437 или №1447. Узнаем какие категории заведений мы можем там найти:

data_streets_one_place_cat = (data
                              .query('street in @data_streets_one_place["street"]')
                              .groupby('category')['name'].count()
                              .sort_values(ascending=False)
                              .reset_index()
                             )
display(data_streets_one_place_cat)

	category	name
0	кафе	160
1	ресторан	93
2	кофейня	84
3	бар,паб	39
4	столовая	36
5	быстрое питание	23
6	пиццерия	15
7	булочная	8

Почти ничего не изменилось в сравнении с распределением общего количества представленных заведений. Разве что пиццерии переместились ближе к концу списка.

Анализ среднего чека, столбец middle_avg_bill

(к заголовку)

Узнаем, есть ли зависимость величины среднего чека заведения от географического расположения:

data_mab = data.dropna(subset=['middle_avg_bill'])
display(data_mab.head(5))
data_mab.info()

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	street	is_24_7
1	Четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0	улица Дыбенко	False
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00–02:00	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0	Клязьминская улица	False
4	Иль Марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0	Правобережная улица	False
6	Огни города	бар,паб	Москва, Клязьминская улица, 9, стр. 3	Северный административный округ	пн 15:00–04:00; вт-вс 15:00–05:00	55.890752	37.524653	4.4	средние	Средний счёт:199 ₽	199.0	NaN	0	45.0	Клязьминская улица	False
7	Mr. Уголёк	быстрое питание	Москва, Клязьминская улица, 9, стр. 3	Северный административный округ	пн-чт 10:00–22:00; пт,сб 10:00–23:00; вс 10:00–22:00	55.890636	37.524303	4.7	средние	Средний счёт:200–300 ₽	250.0	NaN	0	45.0	Клязьминская улица	False

<class 'pandas.core.frame.DataFrame'>
Int64Index: 3149 entries, 1 to 8399
Data columns (total 16 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               3149 non-null   object 
 1   category           3149 non-null   object 
 2   address            3149 non-null   object 
 3   district           3149 non-null   object 
 4   hours              3143 non-null   object 
 5   lat                3149 non-null   float64
 6   lng                3149 non-null   float64
 7   rating             3149 non-null   float64
 8   price              2679 non-null   object 
 9   avg_bill           3149 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  0 non-null      float64
 12  chain              3149 non-null   int64  
 13  seats              1990 non-null   float64
 14  street             3149 non-null   object 
 15  is_24_7            3149 non-null   bool   
dtypes: bool(1), float64(6), int64(1), object(8)
memory usage: 396.7+ KB

Посчитаем медианный средний чек для каждого округа:

data_district_mab = (data_mab
                     .groupby('district', as_index=False)
                     .agg({'middle_avg_bill':['median','count']})
                     .round(2)
                     .sort_values(('middle_avg_bill','median'), ascending=False)
                    )
display(data_district_mab)

	district	middle_avg_bill
		median	count
1	Западный административный округ	1000.0	306
5	Центральный административный округ	1000.0	1060
4	Северо-Западный административный округ	700.0	157
2	Северный административный округ	650.0	322
7	Юго-Западный административный округ	600.0	235
0	Восточный административный округ	575.0	260
3	Северо-Восточный административный округ	500.0	301
8	Южный административный округ	500.0	314
6	Юго-Восточный административный округ	450.0	194

Построим хороплет с раскраской округов в зависимости от медианного среднего чека:

m_bill = Map(location=[moscow_lat, moscow_lng], zoom_start=10, tiles='Cartodb Positron')

Choropleth(
    geo_data=geo_json,
    data=data_district_mab,
    columns=['district', ('middle_avg_bill','median')],
    key_on='feature.name',
    fill_color='GnBu',
    fill_opacity=0.9,
    legend_name='Средний чек по районам'
).add_to(m_bill)
m_bill

Make this Notebook Trusted to load map: File -> Trust Notebook

Какие наблюдения можно сделать по картинке?
В 2022 году жители и гости ЦАО и ЗАО чаще всего оставляли в шикарных местных ресторанах по 1000 рублей. Запросы точек общепита в САО и СЗАО были скромнее - от 650 до 700 рублей. Недорогие столовки ЮЗАО и ВАО позволяли утолить голод всего за сумму около 600 рублей. Те же люди, кто мог выделить себе на обед только 450-500 р., должны были ехать в СВАО, ЮВАО или ЮАО, которые в то время славились своими дешевыми забегаловками.

Причины цветовой дифференциации округов это, скорее всего, отличия в аренде помещения и оплате труда персонала, каковые статьи могут составлять от 25 до 40 процентов выручки. В центре и на западе аренда помещений дороже, чем в остальных округах. Центр - это учреждения культуры, достопримечательности, офисы крупных фирм и государственные учреждения. Запад - это Кутузовский проспект и Рублевское шоссе, элитная недвижимость и офисы.
Возможно, такая высокая конкуренция, какая есть в ЦАО, (в два с половиной раза больше заведений, чем в любом другом округе) могла бы снизить цены, но расходы на аренду и оплату персонала не позволяют это сделать.

Будем иметь в виду, что информация о среднем чеке была только у 3149 заведений из 8402.

Вывод по разделу:

В представленном датасете места общественного питания Москвы поделены на восемь категорий. Перечислим их в порядке уменьшения доли в общем количестве: кафе, рестораны, кофейни, бары(пабы), пиццерии, быстрое питание, столовые, булочные. Две первые категории вместе занимают 52.6% от общего количества. Медианное количество посадочных мест в таких заведениях составляет от 60 до 86.

В общем количестве в 8402 заведения, 3200, то есть 38%, являются сетевыми. Большая часть из них это так же кафе, рестораны и кофейни, но относительно распределения общего числа, в сети объединено только 32% кафе и 35% ресторанов, при том что сетевых булочных - 61.3%.
Сложность анализа сетевых заведений по категориям проявилась в том, что точки одной и той же сети пользователи могли причислить к разным категориям, рекорд - 7 разных категорий у сети "Му-Му". Также, в таблице нет нескольких популярных сетей, например, "Ростикс", "Subway" и "KFC", а "Burger King" представлена всего 14-ю заведениями на всю Москву, причем названных по-русски "Бургер Кинг".

Анализ заведений по географическому расположению ярко выделил Центральный административный округ из числа других округов. Центр Москвы имеет следующие особенности:

• большее минимум в два с половиной раза количество заведений по сравнению с другими районами, а если брать плотность относительно количества жителей, то плотность мест общепита в центре минимум в пять раз превышает другой район;
• более высокий средний рейтинг заведений;
• бОльшая доля баров и пабов, чем в других округах;
• усредненный средний чек - около 1000 руб., в других округах тот же показатель - максимум 700 р.
  Мы связываем эти особенности в первую очередь с высокой ценой квадратного метра помещений в центре Москвы, что делает арендную плату для владельцев заведений более высокой. Средний чек, возможно, был бы еще выше, если бы не конкуренция среди большого количества заведений. Та же конкуренция способствует улучшению качества сервиса, что и приводит к более высокому среднему рейтингу по округам.

---

Детализация исследования

(к заголовку)

По просьбе заказчика проведем более подробный анализ заведений категории "кофейня", чтобы помочь им с открытием своей собственной.

Сколько всего кофеен в датасете? В каких районах их больше всего, какие особенности их расположения?

data_coffee_house = data.query('category == "кофейня"')
display(data_coffee_house.head(5))
data_coffee_house.info()

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	street	is_24_7
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN	улица Маршала Федоренко	False
25	В парке вкуснее	кофейня	Москва, парк Левобережный	Северный административный округ	ежедневно, 10:00–21:00	55.878453	37.460028	4.3	NaN	NaN	NaN	NaN	1	NaN	парк Левобережный	False
45	9 Bar Coffee	кофейня	Москва, Коровинское шоссе, 41, стр. 1	Северный административный округ	пн-пт 08:00–18:00	55.885837	37.513422	4.0	NaN	NaN	NaN	NaN	1	46.0	Коровинское шоссе	False
46	CofeFest	кофейня	Москва, улица Маршала Федоренко, 6с1	Северный административный округ	пн-пт 09:00–19:00	55.879934	37.492522	3.6	NaN	NaN	NaN	NaN	1	NaN	улица Маршала Федоренко	False
52	Cofix	кофейня	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 08:00–22:00	55.878531	37.479395	3.8	NaN	NaN	NaN	NaN	1	NaN	улица Дыбенко	False

<class 'pandas.core.frame.DataFrame'>
Int64Index: 1413 entries, 3 to 8396
Data columns (total 16 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               1413 non-null   object 
 1   category           1413 non-null   object 
 2   address            1413 non-null   object 
 3   district           1413 non-null   object 
 4   hours              1398 non-null   object 
 5   lat                1413 non-null   float64
 6   lng                1413 non-null   float64
 7   rating             1413 non-null   float64
 8   price              476 non-null    object 
 9   avg_bill           721 non-null    object 
 10  middle_avg_bill    200 non-null    float64
 11  middle_coffee_cup  521 non-null    float64
 12  chain              1413 non-null   int64  
 13  seats              751 non-null    float64
 14  street             1413 non-null   object 
 15  is_24_7            1413 non-null   bool   
dtypes: bool(1), float64(6), int64(1), object(8)
memory usage: 178.0+ KB

Всего в таблице 1413 кофейни.

data_coffee_house_districts_n = (data_coffee_house.groupby('district')
                                 .agg({'name':'count'})
                                 .sort_values(by='name',ascending=False)
                                )
display(data_coffee_house_districts_n)

	name
district
Центральный административный округ	428
Северный административный округ	193
Северо-Восточный административный округ	159
Западный административный округ	150
Южный административный округ	131
Восточный административный округ	105
Юго-Западный административный округ	96
Юго-Восточный административный округ	89
Северо-Западный административный округ	62

# визуализируем
data_coffee_house_districts_n.sort_values('name').plot.barh(figsize=(8,5))
plt.title('Открытие кофейни в Москве\n\n Количество кофеен по округам\n', fontsize=14)
plt.xticks(rotation=0)
plt.ylabel('')
plt.show();

Есть ли круглосуточные кофейни?

def is24 (hour):
    w = 'круглосуточно' in str(hour)
    return w

is24 = data_coffee_house['hours'].apply(is24).sum()
print('Всего',is24,'круглосуточных кафеен,',round(100*is24/len(data_coffee_house),2),'% от общего числа.')

Всего 76 круглосуточных кафеен, 5.38 % от общего числа.

Какие у кофеен рейтинги? Как они распределены по районам?

plt.figure(figsize=(12,6), dpi=90)
plt.hist(x=data_coffee_house['rating'],bins=35)
plt.title('Гистограмма распределения средних рейтингов кофеен', fontsize=12)
plt.xlabel('Рейтинг')
plt.ylabel('Количество кофеен');

data_coffee_house_district_rating = (data_coffee_house
                                .groupby('district')
                                .agg({'rating':'mean'})
                                .sort_values(by='rating',ascending=False)
                               )
display(data_coffee_house_district_rating)

	rating
district
Центральный административный округ	4.336449
Северо-Западный административный округ	4.325806
Северный административный округ	4.291710
Юго-Западный административный округ	4.283333
Восточный административный округ	4.282857
Южный административный округ	4.232824
Юго-Восточный административный округ	4.225843
Северо-Восточный административный округ	4.216981
Западный административный округ	4.195333

Усредненный средний рейтинг кофеен по округам слабо отличается, разброс в диапазоне от 4.19 до 4.33. Самый высокий рейтинг - в ЦАО и СЗАО, самый низкий - у кофеен СВАО и ЗАО.

На какую стоимость чашки капуччино стоит ориентироваться при открытии и почему?

Стоимость товара не должна сильно отличаться от стоимости товара конкурентов (только, конечно, если вы не знаете источников дешевой энергии, рабочей силы или сырья - тогда, да, можно смело демпинговать). Если цена будет выше - клиент уйдет к конкурентам, если ниже - издержки перестанут окупаться. В любом случае вы лишитесь прибыли и прогорите.
В задании сказано, что кофейня должна быть крутой, доступной и чтобы можно было собраться большой компанией. Нам представляется, что клиентами данного заведения должны быть, преимущественно, студенты или офисные работники. Следовательно, наша кофейня должна быть расположена у станции метро (чтобы удобно было встретиться), или около ВУЗа, или в офисном квартале. А лучше всего, если все это будет там вместе. Также неплохо будет расположиться между ВУЗом и метро. Есть локации, где рядом расположены несколько учебных заведений - они тоже нам подходят.

Попробуем построить хороплет с средней ценой на капуччино по округам Москвы. Имеем в виду, что информация о цене кофе есть только для 521 заведения, поэтому выводы могут быть статистически не очень точными.

data_capuccino_district = (data_coffee_house
                           .groupby('district', as_index=False)
                           .agg({'middle_coffee_cup':['median','count']})
                           .round(2)
                           .sort_values(('middle_coffee_cup','median'), ascending=False)
                          )
display(data_capuccino_district)
print('Средняя стоимость чашки кофе в Москве: ', data['middle_coffee_cup'].mean().round(2),'рубля.')

	district	middle_coffee_cup
		median	count
7	Юго-Западный административный округ	198.0	34
5	Центральный административный округ	190.0	162
1	Западный административный округ	189.0	49
4	Северо-Западный административный округ	165.0	21
3	Северо-Восточный административный округ	162.5	60
2	Северный административный округ	159.0	76
8	Южный административный округ	150.0	43
6	Юго-Восточный административный округ	147.5	34
0	Восточный административный округ	135.0	42

Средняя стоимость чашки кофе в Москве:  174.72 рубля.

marker_cluster = MarkerCluster().add_to(m)
def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)

data.apply(create_clusters, axis=1)
m

Make this Notebook Trusted to load map: File -> Trust Notebook

#создание карты с центром на Москве
m_capuccino = Map(location=[moscow_lat, moscow_lng], zoom_start=10, tiles='Cartodb Positron')

#добавление кластеров и маркеров кофеен
capuccino_cluster = MarkerCluster().add_to(m_capuccino)
def create_clusters(row):
    
    icon_url = 'https://img.icons8.com/?size=48&id=12860&format=png'  
    icon = CustomIcon(icon_url, icon_size=(30, 30))
    
    Marker(
        [row['lat'], row['lng']],
        tooltip=f"{row['name']} {row['middle_coffee_cup']}",
        icon=icon
    ).add_to(capuccino_cluster)
    
#добавление хороплета для средней цены чашки капучино по округам
data_coffee_house.query('middle_coffee_cup.notna()').apply(create_clusters, axis=1)

Choropleth(
    geo_data=geo_json,
    data=data_capuccino_district,
    columns=['district', ('middle_coffee_cup','median')],
    key_on='feature.name',
    fill_color='YlOrBr',
    fill_opacity=0.6,
    legend_name='Средняя стоимость чашки капуччино'
).add_to(m_capuccino)

#добавление маркеров рекомендованных мест:
sokol_lat, sokol_lng = 55.80538, 37.51467
baum_lat, baum_lng =  55.77228, 37.67857
yugozap_lat, yugozap_lng = 	55.66464, 37.48421

def idea(lat,lng,name):
    idea_url = 'https://img.icons8.com/?size=40&id=41653&format=png'
    idea = CustomIcon(idea_url, icon_size=(50, 50))
    folium.Marker([lat,lng], tooltip=name,icon=idea).add_to(m_capuccino)
    
idea(sokol_lat, sokol_lng, 'Сокол')  
idea(baum_lat, baum_lng, 'Бауманская')
idea(yugozap_lat, yugozap_lng, 'Юго-Западная')

#отображение карты
m_capuccino

Make this Notebook Trusted to load map: File -> Trust Notebook

Мы знаем, что заказчик не боится конкуренции, поэтому не будем обращать внимание на количество уже открытых в потенциально привлекательных местах кофейнях.
Безусловно, нужно будет тщательнее проанализировать географическое сочетание необходимых нам объектов, но уже три таких конгломерации нам известны:

• метро Сокол, МАИ, Росбиотех, РГХПУ им. Строганова, НИИ Гидропроект, НПО Алмаз, офисы;
• метро Бауманская, МГТУ им. Баумана, МИИЯ, Техникум космического приборостроения, ГУП, офисы;
• метро Юго-Западная, МИРЭА, РАНХИГС, офисы.

На хороплете они отмечены иконкой в виде лампочки.

---

Выводы:

(к заголовку)

В ходе данного проекта был проведен анализ рынка услуг общественного питания города Москвы. Целью было изучить особенности, найти различия и закономерности, чтобы помочь заказчику с открытием своего заведения типа "кофейня".
Исходный датасет представлен 8406 заведениями, он содержит информацию об уже существующих ресторанах, кафе и т.д.. Есть адрес и точные координаты заведения, количество мест, рейтинг, часы работы, средний счет и признак принадлежности к сети. Информация была составлена на основе сервисов Яндекс Карты и Яндекс Бизнес на лето 2022 года.

Датасет был проверен на наличие дубликатов и пропусков. Были добавлены поля со вспомогательной информацией: улица, где располагается заведение, и признак работы заведения ежедневно и круглосуточно.

Анализ информации датасета проводился по всем критериям, представлявшихся нам значимыми.

1. В датасете представлены восемь категорий. По численности две первых места занимают кафе и рестораны, 28.3% и 24.3% соответственно, от общего числа, и они вместе представляют более половины заведений. На третьем месте - кофейни, 16.8%. На последнем месте - булочные, только 3%.
2. Анализ количества посадочных мест показал, что основная часть заведений общепита имеют их от 20 до 120. Многие объединены в фудкорты торговых моллов.
3. Из общего числа заведений мы выделили 3204, которые являются сетевыми. При визуализации мы выяснили, что многие сетевые заведения имеют разную категорию. Ресторан (или кафе? или бар?) "Му-Му", например, "собрал" целых семь.
   В топ-пятерку сетей по численности точек вошли кофейни ("Шоколадница", "OnePriceCoffee"), пиццерии ("Домино" и "ДоДо") и ресторан(Яндекс Лавка).
4. Далее мы проверили, как заведения распределены по территории Москвы и заодно посмотрели, какие категории там представлены. Выяснилось, что более четверти всех заведений, 2242 штуки, находятся в Центральном административном округе. Самое меньшее количество - в СЗАО, - всего 409. Остальные же округа имеют от 700 до 900 заведений общепита. Доли категорий, по сравнению с общим распределением, примерно сохраняются для каждого округа, но в ЦАО выше процент баров.
5. Мы сравнили рейтинги заведений по категориям и округам. Больший средний рейтинг имеют бары, а среди округов в лучшую сторону выделяется Центральный, - оба в среднем на 0.1 минимум больше других. Лучший рейтинг заведений ЦАО объясняется, по нашему мнению, высокой конкуренцией.
6. Найдены улицы города с самым большим количеством заведений общепита. Чемпионом по плотности размещения таких мест стала Пятницкая улица, что в Центре Москвы. На ее длине всего в 1.8 км находится 48 заведений общественного питания.
7. Также был проанализирован средний чек заведений и найдены округа с наиболее дорогими заведениями, - ЗАО и ЦАО, и округ с самыми дешевыми в среднем ценами - это СВАО. У первых чек в два раза больше - 1000 рублей против 500. Это связано, по нашему мнению, с разницей в стоимости квадратного метра земли в разных округах.

Для большей детальности были проанализированы отдельно кофейни Москвы, т.к. заказчик хочет открыть именно кофейню.
По результатам исследования были даны рекомендации, где и почему это будет лучше сделать. Принимая во внимание пожелания заказчика, что кофейня должна быть "крутой и доступной", и размышляя в этом направлении, мы пришли к выводу, что ее посетители должны быть преимущественно людьми молодого возраста, студентами или офисными работниками. Соответственно, наше заведение должно располагаться как можно ближе к местам их активности. Это высшие учебные и средние специальные учебные заведения, офисные кварталы. Также, желательно, чтобы рядом была станция метро или легкого метро. Мы рекомендуем, предварительно, три таких, известных нам и подходящих под указанные условия, места: м.Сокол, м.Бауманская, м.Юго-Западная.